Características de Jet: núcleos convolucionales aprendidos amigables con el hardware para clasificación de imágenes de alta velocidad
Autores: Simons, Taylor; Lee, Dah-Jye
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Características de Jet: núcleos convolucionales aprendidos amigables con el hardware para clasificación de imágenes de alta velocidad
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Características
Características de chorro
Algoritmos de aprendizaje automático
Tareas de inspección visual
Redes neuronales convolucionales
FPGA
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Este documento explora un conjunto de núcleos convolucionales aprendidos a los que llamamos Características Jet. Las Características Jet son eficientes de calcular en software, fáciles de implementar en hardware y funcionan bien en tareas de inspección visual. Dado que las Características Jet pueden ser aprendidas, pueden ser utilizadas en algoritmos de aprendizaje automático. Utilizando las Características Jet, realizamos mejoras significativas en nuestro trabajo anterior, el algoritmo de Características Construidas por Evolución (ECO Features). No solo logramos una aceleración de 3.7 veces en software sin perder precisión en los conjuntos de datos CIFAR-10 y MNIST, sino que las Características Jet también nos permiten implementar el algoritmo en un FPGA utilizando solo una fracción de sus recursos. Esperamos aplicar los beneficios de las Características Jet a las Redes Neuronales Convolucionales en el futuro.
Descripción
Este documento explora un conjunto de núcleos convolucionales aprendidos a los que llamamos Características Jet. Las Características Jet son eficientes de calcular en software, fáciles de implementar en hardware y funcionan bien en tareas de inspección visual. Dado que las Características Jet pueden ser aprendidas, pueden ser utilizadas en algoritmos de aprendizaje automático. Utilizando las Características Jet, realizamos mejoras significativas en nuestro trabajo anterior, el algoritmo de Características Construidas por Evolución (ECO Features). No solo logramos una aceleración de 3.7 veces en software sin perder precisión en los conjuntos de datos CIFAR-10 y MNIST, sino que las Características Jet también nos permiten implementar el algoritmo en un FPGA utilizando solo una fracción de sus recursos. Esperamos aplicar los beneficios de las Características Jet a las Redes Neuronales Convolucionales en el futuro.